MétaCan
Menu
Retour à la cohorte
Enregistrement W3087559768 · doi:10.1371/journal.pmed.1003316

Age at diagnosis, glycemic trajectories, and responses to oral glucose-lowering drugs in type 2 diabetes in Hong Kong: A population-based observational study

2020· article· en· W3087559768 sur OpenAlexafffund
Calvin Ke, Thérèse A. Stukel, Baiju R. Shah, Eric S. H. Lau, Ronald C.W., Wing‐Yee So, Alice P.S. Kong, Elaine Chow, Juliana C.N. Chan, Andrea O. Y. Luk

Notice bibliographique

RevuePLoS Medicine · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueDiabetes, Cardiovascular Risks, and Lipoproteins
Établissements canadiensHealth Sciences CentreSunnybrook Health Science CentreInstitute for Clinical Evaluative SciencesUniversity of Toronto
Organismes subventionnairesCanadian Institutes of Health ResearchCanadian Society of Endocrinology and MetabolismHospital AuthorityRoyal College of Physicians and Surgeons of Canada
Mots-clésMedicineGlycemicType 2 diabetesPopulationCohortDiabetes mellitusInternal medicineConfidence intervalAge of onsetCohort studyPediatricsEndocrinologyDisease

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Lifetime glycemic exposure and its relationship with age at diagnosis in type 2 diabetes (T2D) are unknown. Pharmacologic glycemic management strategies for young-onset T2D (age at diagnosis <40 years) are poorly defined. We studied how age at diagnosis affects glycemic exposure, glycemic deterioration, and responses to oral glucose-lowering drugs (OGLDs). METHODS AND FINDINGS: In a population-based cohort (n = 328,199; 47.2% women; mean age 34.6 and 59.3 years, respectively, for young-onset and usual-onset [age at diagnosis ≥40 years] T2D; 2002-2016), we used linear mixed-effects models to estimate the association between age at diagnosis and A1C slope (glycemic deterioration) and tested for an interaction between age at diagnosis and responses to various combinations of OGLDs during the first decade after diagnosis. In a register-based cohort (n = 21,016; 47.1% women; mean age 43.8 and 58.9 years, respectively, for young- and usual-onset T2D; 2000-2015), we estimated the glycemic exposure from diagnosis until age 75 years. People with young-onset T2D had a higher mean A1C (8.0% [standard deviation 0.15%]) versus usual-onset T2D (7.6% [0.03%]) throughout the life span (p < 0.001). The cumulative glycemic exposure was >3 times higher for young-onset versus usual-onset T2D (41.0 [95% confidence interval 39.1-42.8] versus 12.1 [11.8-12.3] A1C-years [1 A1C-year = 1 year with 8% average A1C]). Younger age at diagnosis was associated with faster glycemic deterioration (A1C slope over time +0.08% [0.078-0.084%] per year for age at diagnosis 20 years versus +0.02% [0.016-0.018%] per year for age at diagnosis 50 years; p-value for interaction <0.001). Age at diagnosis ≥60 years was associated with glycemic improvement (-0.004% [-0.005 to -0.004%] and -0.02% [-0.027 to -0.0244%] per year for ages 60 and 70 years at diagnosis, respectively; p-value for interaction <0.001). Responses to OGLDs differed by age at diagnosis (p-value for interaction <0.001). Those with young-onset T2D had smaller A1C decrements for metformin-based combinations versus usual-onset T2D (metformin alone: young-onset -0.15% [-0.105 to -0.080%], usual-onset -0.17% [-0.179 to -0.169%]; metformin, sulfonylurea, and dipeptidyl peptidase-4 inhibitor: young-onset -0.44% [-0.476 to -0.405%], usual-onset -0.48% [-0.498 to -0.459%]; metformin and α-glucosidase inhibitor: young-onset -0.40% [-0.660 to -0.144%], usual-onset -0.25% [-0.420 to -0.077%]) but greater responses to other combinations containing sulfonylureas (sulfonylurea alone: young-onset -0.08% [-0.099 to -0.065%], usual-onset +0.06% [+0.059 to +0.072%]; sulfonylurea and α-glucosidase inhibitor: young-onset -0.10% [-0.266 to 0.064%], usual-onset: 0.25% [+0.196% to +0.312%]). Limitations include possible residual confounding and unknown generalizability outside Hong Kong. CONCLUSIONS: In this study, we observed excess glycemic exposure and rapid glycemic deterioration in young-onset T2D, indicating that improved treatment strategies are needed in this setting. The differential responses to OGLDs between young- and usual-onset T2D suggest that better disease classification could guide personalized therapy.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,927

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,075
Tête enseignante GPT0,299
Écart entre enseignants0,224 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations63
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePLoS MedicineMême sujetDiabetes, Cardiovascular Risks, and LipoproteinsTravaux en français237 207